| 000 | 10285nla2a2200649 4500 | ||
|---|---|---|---|
| 001 | 345433 | ||
| 005 | 20231029234709.0 | ||
| 035 | _a(RuTPU)RU\TPU\book\377270 | ||
| 035 | _aRU\TPU\book\377268 | ||
| 090 | _a345433 | ||
| 100 | _a20201127d2020 k y0rusy50 ca | ||
| 101 | 0 | _arus | |
| 102 | _aRU | ||
| 135 | _adrcn ---uucaa | ||
| 181 | 0 | _ai | |
| 182 | 0 | _ab | |
| 200 | 1 |
_aГлубокие искусственные нейронные сети для прогноза значений дебитов добывающих скважин _fИ. В. Евсюткин, Н. Г. Марков |
|
| 203 |
_aТекст _cэлектронный |
||
| 215 | _a1 файл (766 Kb) | ||
| 230 | _aЭлектронные текстовые данные (1 файл : 766 Kb) | ||
| 300 | _aЗаглавие с титульного листа | ||
| 320 | _a[Библиогр.: с. 93 (20 назв.)] | ||
| 330 | _aАктуальность исследования обусловлена необходимостью поддержки принятия решения специалистами добывающих предприятий нефтегазовой отрасли при управлении производством. Точное прогнозирование значений дебитов добывающих скважин позволяет определить такие технологические режимы работы фонда скважин и технологического оборудования, которые позволят достичь заданного объёма выпуска продукции. Существующие методы не всегда обеспечивают требуемый уровень точности при прогнозе значений дебитов скважин, что приводит к ошибкам при расчёте экономического эффекта при оценке рентабельности добывающих скважин и последующих поставок углеводородного сырья, а также при учёте ограничений, накладываемых органами надзора за пользованием недрами. Цель: разработать и предложить наиболее эффективные модели глубоких искусственных нейронных сетей при прогнозе значений компонентов добычи углеводородного сырья - нефти, газа, жидкости (газового конденсата) и воды. | ||
| 330 | _aОбъекты: технологические параметры дебитов добывающих скважин фонда нефтяных, газовых, нефтегазовых и нефтегазоконденсатных месторождений. Методы: методы анализа больших объёмов технологических данных скважин, развиваемые в соответствии с концепцией "Big Data"; модели глубоких искусственных нейронных сетей; объектно-ориентированное программирование; методы оценки и статистического анализа результатов исследований эффективности глубоких искусственных нейронных сетей при прогнозе значений дебитов добывающих скважин. Результаты. Разработана методика подготовки данных по дебитам скважин для обучения и тестирования глубоких искусственных нейронных сетей прямого распространения. Проведены исследования различных архитектур таких нейросетей при решении задач прогноза дебитов нефти, газа, жидкости (газового конденсата) и дебита воды. Выявлены наиболее эффективные архитектуры глубоких нейросетей прямого распространения. Такие нейронные сети позволяют увеличить точность прогноза в два и более раза по сравнению с точностью прогноза, даваемой традиционным методом экстраполяции по скользящей средней. | ||
| 330 | _aThe relevance of the research is caused by the need for supporting the decision-making by specialists of the extracting enterprises of the oil and gas industry at production management. Precise forecasting of production wells debits values allows defining such technological operating modes of a well stock and processing equipment which would allow reaching the prescribed production volume. The existing methods do not always provide the demanded precision level at the forecast of wells debits values that leads to mistakes at the calculation of economic effect at a profitability assessment of production wells and the subsequent deliveries of hydrocarbonic raw materials, and also at taking into account the restrictions imposed by environmental supervision of natural resources use. The main aim of the research is to develop and offer the most effective models of deep artificial neural networks at the forecast of production components values for hydrocarbonic raw materials - oil, gas, fluid (gas condensate), and water. Objects of the research are technological parameters of production wells debits of well-stock of oil, gas, oil and gas, and oil-gas condensate fields. | ||
| 330 | _aMethods: the methods of the analysis of a large amount of technical data of wells developed according to the concept of "Big Data"; models of deep artificial neural networks; object-oriented programming; methods of an assessment and the statistical analysis of research results of deep artificial neural networks efficiency at the forecast of production wells debit values. Results. The technique of data preparation for wells debits is developed for training and testing of feed-forward deep artificial neural networks. Research is carried out for various architectures for such artificial neural networks at the solution of the forecasting task of oil, gas, fluid (gas condensate), and water debits. The most effective architecture of feed-forward deep artificial neural networks is developed. Such neural networks allow increasing the forecasting accuracy in two and more times in comparison with the accuracy of the forecasting received by a traditional method of extrapolation (moving average). | ||
| 453 |
_tDeep artificial neural networks for forecasting debit values for production wells _otranslation from Russian _fI. V. Evsyutkin, N. G. Markov _cTomsk _nTPU Press _d2015- _d2020 _aEvsyutkin, Ivan Viktorovich |
||
| 453 | _tBulletin of the Tomsk Polytechnic University. Geo Assets Engineering | ||
| 453 | _tVol. 331, № 11 | ||
| 461 | 1 |
_0(RuTPU)RU\TPU\book\312844 _x2413-1830 _tИзвестия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов _fНациональный исследовательский Томский политехнический университет (ТПУ) _d2015- |
|
| 463 | 1 |
_0(RuTPU)RU\TPU\book\377262 _tТ. 331, № 11 _v[С. 88-95] _d2020 |
|
| 610 | 1 | _aместорождения | |
| 610 | 1 | _aнефти | |
| 610 | 1 | _aгазы | |
| 610 | 1 | _aдобывающие скважины | |
| 610 | 1 | _aпрогнозы | |
| 610 | 1 | _aдебиты | |
| 610 | 1 | _aискусственные нейронные сети | |
| 610 | 1 | _aглубокие сети | |
| 610 | 1 | _aсети прямого распространения | |
| 610 | 1 | _aдобыча | |
| 610 | 1 | _aуглеводородное сырье | |
| 610 | 1 | _aтруды учёных ТПУ | |
| 610 | 1 | _aэлектронный ресурс | |
| 610 | _aoil and gas field | ||
| 610 | _aproduction well | ||
| 610 | _aforecasting of wells debits values | ||
| 610 | _amodels of deep artificial neural networks | ||
| 610 | _aresearch of efficiency of feed-forward deep neural networks | ||
| 700 | 1 |
_aЕвсюткин _bИ. В. _cспециалист в области информатики и вычислительной техники _cассистент кафедры Томского политехнического университета _f1992- _gИван Викторович _2stltpush _3(RuTPU)RU\TPU\pers\40160 _6z01712 |
|
| 701 | 1 |
_aМарков _bН. Г. _cроссийский специалист в области информатики и вычислительной техники _cпрофессор Томского политехнического университета, доктор технических наук _f1950- _gНиколай Григорьевич _2stltpush _3(RuTPU)RU\TPU\pers\24748 _6z02712 |
|
| 712 | 0 | 2 |
_aНациональный исследовательский Томский политехнический университет _bИнженерная школа информационных технологий и робототехники _bОтделение информационных технологий _h7951 _2stltpush _3(RuTPU)RU\TPU\col\23515 _6z01700 |
| 712 | 0 | 2 |
_aНациональный исследовательский Томский политехнический университет _bИнженерная школа информационных технологий и робототехники _bОтделение информационных технологий _h7951 _2stltpush _3(RuTPU)RU\TPU\col\23515 _6z02701 |
| 801 | 2 |
_aRU _b63413507 _c20201207 _gRCR |
|
| 856 | 4 | _uhttp://earchive.tpu.ru/bitstream/11683/63899/1/bulletin_tpu-2020-v331-i11-08.pdf | |
| 856 | 4 | _uhttps://doi.org/10.18799/24131830/2020/11/2888 | |
| 942 | _cCF | ||